دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Learning Predictive Analytics with Python
دانلود کتاب آموزش تجزیه و تحلیل پیش بینی کننده با پایتون
مشخصات کتاب
Learning Predictive Analytics with Python
ویرایش:
نویسندگان: Ashish Kumar
سری:
ISBN (شابک) : 9781783983261
ناشر: Packt
سال نشر: 2016
تعداد صفحات: 337
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 38,000
در صورت تبدیل فایل کتاب Learning Predictive Analytics with Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب آموزش تجزیه و تحلیل پیش بینی کننده با پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب آموزش تجزیه و تحلیل پیش بینی کننده با پایتون
با پیاده‌سازی الگوریتم‌های پیش‌بینی‌کننده بر روی مجموعه داده‌های عمومی با Python درباره این کتاب، بینش عملی در مورد مدل‌سازی پیش‌بینی‌کننده به دست آورید* راهنمای گام به گام مدل‌سازی پیش‌بینی‌کننده شامل نکات، ترفندها و بهترین شیوه‌ها* با اصول اولیه تجزیه و تحلیل پیش‌بینی‌کننده آشنا شوید Python* یاد بگیرید که چگونه از الگوریتم‌های مدل‌سازی پیش‌بینی‌کننده محبوب مانند رگرسیون خطی، درخت تصمیم، رگرسیون لجستیک و خوشه‌بندی استفاده کنید. اگر با کد نویسی در پایتون (یا برخی از زبان های برنامه نویسی/آماری/اسکریپت نویسی دیگر) آشنا هستید اما هرگز از الگوریتم های پیش بینی کننده آنالیز پیش بینی استفاده نکرده اید یا در مورد آن مطالعه نکرده اید، این کتاب نیز به شما کمک خواهد کرد. این کتاب برای هر علاقه مندان به علم داده مفید خواهد بود و می تواند آن را بخواند. آشنایی با Python برای استفاده حداکثری از این کتاب مفید خواهد بود، اما مطمئناً پیش نیاز نیست. آنچه یاد خواهید گرفت* مفاهیم آماری و ریاضی پشت الگوریتم های پیش بینی کننده آنالیز را بدانید و الگوریتم های تجزیه و تحلیل پیش بینی را با استفاده از کتابخانه های پایتون پیاده سازی کنید* تجزیه و تحلیل پارامترهای نتیجه ناشی از اجرای الگوریتم های پیش بینی کننده تجزیه و تحلیل * نوشتن ماژول ها / توابع پایتون از ابتدا برای اجرای بخش ها یا کل این الگوریتم ها * شناسایی و کاهش موارد احتمالی و مسائل مربوط به اجرای الگوریتم های تجزیه و تحلیل پیش بینی * آشنایی با روش های مختلف وارد کردن، تمیز کردن، زیرتنظیم، ادغام، پیوستن، الحاق، کاوش، گروه‌بندی و رسم داده‌ها با پانداها و numpy* ایجاد مجموعه داده‌های ساختگی و شبیه‌سازی‌های ریاضی ساده با استفاده از کتابخانه‌های Python numpy و pandas* درک بهترین شیوه‌ها هنگام مدیریت مجموعه داده‌ها در Python و ایجاد مدل‌های پیش‌بینی از آنها در جزئیات رسانه‌های اجتماعی و اینترنت اشیا منجر به بهمنی از داده‌ها شده است. داده ها قدرتمند هستند اما به شکل خام نیستند - نیاز به پردازش و مدل سازی دارند و پایتون یکی از قوی ترین ابزارهای موجود برای انجام این کار است. دارای مجموعه‌ای از بسته‌ها برای مدل‌سازی پیش‌بینی‌کننده و مجموعه‌ای از IDEها برای انتخاب. یادگیری پیش‌بینی اینکه چه کسی با پایتون برنده، باخت، خرید، دروغ می‌گوید یا می‌میرد، یک مهارت ضروری در این عصر داده است. این کتاب راهنمای شما برای شروع کار با تجزیه و تحلیل پیش‌بینی‌کننده با استفاده از پایتون است. نحوه پردازش داده ها و ساخت مدل های پیش بینی از آن را خواهید دید. ما مفاهیم آماری و ریاضی را متعادل می‌کنیم و آنها را در پایتون با استفاده از کتابخانه‌هایی مانند پانداها، scikit-learn و numpy پیاده‌سازی می‌کنیم. شما با درک اصول اولیه مدل‌سازی پیش‌بینی شروع می‌کنید، سپس خواهید دید که چگونه داده‌های خود را پاک کنید. ناخالصی ها و آن را برای مدل سازی پیش بینی آماده کنید. همچنین درباره بهترین الگوریتم‌های مدل‌سازی پیش‌بینی‌کننده مانند رگرسیون خطی، درخت تصمیم و رگرسیون لجستیک اطلاعات بیشتری کسب خواهید کرد. در نهایت، بهترین روش‌ها در مدل‌سازی پیش‌بینی‌کننده و همچنین کاربردهای مختلف مدل‌سازی پیش‌بینی‌کننده در دنیای مدرن را مشاهده خواهید کرد. سبک و رویکرد تمامی مفاهیم این کتاب با استفاده از مجموعه داده‌ها و به صورت گام به گام توضیح داده شده است. شیوه. قطعه کد پایتون برای پیاده سازی یک روش یا مفهوم با خروجی هایی مانند نمودارها، سر داده ها، تصاویر و غیره دنبال می شود. مفاهیم آماری هر جا که لازم باشد به تفصیل توضیح داده می شود.
توضیحاتی درمورد کتاب به خارجی
Gain practical insights into predictive modelling by implementing Predictive Analytics algorithms on public datasets with PythonAbout This Book* A step-by-step guide to predictive modeling including lots of tips, tricks, and best practices* Get to grips with the basics of Predictive Analytics with Python* Learn how to use the popular predictive modeling algorithms such as Linear Regression, Decision Trees, Logistic Regression, and ClusteringWho This Book Is ForIf you wish to learn how to implement Predictive Analytics algorithms using Python libraries, then this is the book for you. If you are familiar with coding in Python (or some other programming/statistical/scripting language) but have never used or read about Predictive Analytics algorithms, this book will also help you. The book will be beneficial to and can be read by any Data Science enthusiasts. Some familiarity with Python will be useful to get the most out of this book, but it is certainly not a prerequisite.What You Will Learn* Understand the statistical and mathematical concepts behind Predictive Analytics algorithms and implement Predictive Analytics algorithms using Python libraries* Analyze the result parameters arising from the implementation of Predictive Analytics algorithms* Write Python modules/functions from scratch to execute segments or the whole of these algorithms* Recognize and mitigate various contingencies and issues related to the implementation of Predictive Analytics algorithms* Get to know various methods of importing, cleaning, sub-setting, merging, joining, concatenating, exploring, grouping, and plotting data with pandas and numpy* Create dummy datasets and simple mathematical simulations using the Python numpy and pandas libraries* Understand the best practices while handling datasets in Python and creating predictive models out of themIn DetailSocial Media and the Internet of Things have resulted in an avalanche of data. Data is powerful but not in its raw form - It needs to be processed and modeled, and Python is one of the most robust tools out there to do so. It has an array of packages for predictive modeling and a suite of IDEs to choose from. Learning to predict who would win, lose, buy, lie, or die with Python is an indispensable skill set to have in this data age.This book is your guide to getting started with Predictive Analytics using Python. You will see how to process data and make predictive models from it. We balance both statistical and mathematical concepts, and implement them in Python using libraries such as pandas, scikit-learn, and numpy.You'll start by getting an understanding of the basics of predictive modeling, then you will see how to cleanse your data of impurities and get it ready it for predictive modeling. You will also learn more about the best predictive modeling algorithms such as Linear Regression, Decision Trees, and Logistic Regression. Finally, you will see the best practices in predictive modeling, as well as the different applications of predictive modeling in the modern world.Style and approachAll the concepts in this book been explained and illustrated using a dataset, and in a step-by-step manner. The Python code snippet to implement a method or concept is followed by the output, such as charts, dataset heads, pictures, and so on. The statistical concepts are explained in detail wherever required.
فهرست مطالب
Contents Preface 1 Start with Predictive Modelling Introducing predictive modelling Scope of predictive modelling Ensemble of statistical algorithms Statistical tools Historical data Mathematical function Business context Knowledge matrix for predictive modelling Task matrix for predictive modelling Applications and examples of predictive modelling LinkedIn's "People also viewed" feature What it does? How is it done? Correct targeting of online ads How is it done? Santa Cruz predictive policing How is it done? Determining the activity of a smartphone user using accelerometer data How is it done? Sport and fantasy leagues How was it done? Python and its packages – download and installation Anaconda Standalone Python Installing a Python package Installing pip Installing Python packages with pip Python and its packages for predictive modelling IDEs for Python Summary 2 Data Cleaning Reading the data – variations and examples Data frames Delimiters Various methods of importing data in Python Case 1 – reading a dataset using the read_csv method The read_csv method Use cases of the read_csv method Case 2 – reading a dataset using the open method of Python Reading a dataset line by line Changing the delimiter of a dataset Case 3 – reading data from a URL Case 4 – miscellaneous cases Reading from an .xls or .xlsx file Writing to a CSV or Excel file Basics – summary, dimensions, structure Handling missing values Checking for missing values What constitutes missing data? How missing values are generated and propagated Treating missing values Deletion Imputation Creating dummy variables Visualizing a dataset by basic plotting Scatter plots Histograms Boxplots Summary 3 Data Wrangling Subsetting a dataset Selecting columns Selecting rows Selecting a combination of rows and columns Creating new columns Generating random numbers and their usage Various methods for generating random numbers Seeding a random number Generating random numbers following probability distributions Probability density function Cumulative density function Uniform distribution Normal distribution Using the Monte-Carlo simulation to find the value of pi Geometry and mathematics behind the calculation of pi Generating a dummy data frame Grouping the data – aggregation, filtering, and transformation Aggregation Filtering Transformation Miscellaneous operations Random sampling – splitting a dataset in training and testing datasets Method 1 – using the Customer Churn Model Method 2 – using sklearn Method 3 – using the shuffle function Concatenating and appending data Merging/joining datasets Inner Join Left Join Right Join An example of the Inner Join An example of the Left Join An example of the Right Join Summary of Joins in terms of their length Summary 4 Statistical Concepts for Predictive Modelling Random sampling and the central limit theorem Hypothesis testing Null versus alternate hypothesis Z-statistic and t-statistic Confidence intervals, significance levels, and p-values Different kinds of hypothesis test A step-by-step guide to do a hypothesis test An example of a hypothesis test Chi-square tests Correlation Summary 5 Linear Regression with Python Understanding the maths behind linear regression Linear regression using simulated data Fitting a linear regression model and checking its efficacy Finding the optimum value of variable coefficients Making sense of result parameters p-values F-statistics Residual Standard Error Implementing linear regression with Python Linear regression using the statsmodel library Multiple linear regression Multi-collinearity Variance Inflation Factor Model validation Training and testing data split Summary of models Linear regression with scikit-learn Feature selection with scikit-learn Handling other issues in linear regression Handling categorical variables Transforming a variable to fit non-linear relations Handling outliers Other considerations and assumptions for linear regression Summary 6 Logistic Regression with Python Linear regression versus logistic regression Understanding the math behind logistic regression Contingency tables Conditional probability Odds ratio Moving on to logistic regression from linear regression Estimation using the Maximum Likelihood Method Building the logistic regression model from scratch Making sense of logistic regression parameters Wald test Likelihood Ratio Test statistic Chi-square test Implementing logistic regression with Python Processing the data Data exploration Data visualization Creating dummy variables for categorical variables Feature selection Implementing the model Model validation and evaluation Cross validation Model validation The ROC curve Confusion matrix Summary 7 Clustering with Python Introduction to clustering – what, why, and how? What is clustering? How is clustering used? Why do we do clustering? Mathematics behind clustering Distances between two observations Euclidean distance Manhattan distance Minkowski distance The distance matrix Normalizing the distances Linkage methods Single linkage Compete linkage Average linkage Centroid linkage Ward's method Hierarchical clustering K-means clustering Implementing clustering using Python Importing and exploring the dataset Normalizing the values in the dataset Hierarchical clustering using scikit-learn K-Means clustering using scikit-learn Interpreting the cluster Fine-tuning the clustering The elbow method Silhouette Coefficient Summary 8 Trees & Random Forests with Python Introducing decision trees A decision tree Understanding the mathematics behind decision trees Homogeneity Entropy Information gain ID3 algorithm to create a decision tree Gini index Reduction in Variance Pruning a tree Handling a continuous numerical variable Handling a missing value of an attribute Implementing a decision tree with scikit-learn Visualizing the tree Cross-validating and pruning the decision tree Understanding and implementing regression trees Regression tree algorithm Implementing a regression tree using Python Understanding and implementing random forests The random forest algorithm Implementing a random forest using Python Why do random forests work? Important parameters for random forests Summary 9 Best Practices for Predictive Modeling Best practices for coding Commenting the codes Defining functions for substantial individual tasks Example 1 Example 2 Example 3 Avoid hard-coding of variables as much as possible Version control Using standard libraries, methods, and formulas Best practices for data handling Best practices for algorithms Best practices for statistics Best practices for business contexts Summary Links Index
